汽车用户画像分析及多模型预测分类研究.pdfVIP

第３６卷第２期郑州铁路职业技术学院学报Ｖｏｌ.３６Ｎｏ.２

２０２４年６月ＪｏｕｒｎａｌｏｆＺｈｅｎｇｚｈｏｕＲａｉｌｗａｙＶｏｃａｔｉｏｎａｌａｎｄＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅＪｕｎ.２０２４

汽车用户画像分析及多模型预测分类研究

梁靖涵

(郑州科技学院ꎬ河南郑州４５００００)

摘要针对汽车用户画像的数据集ꎬ基于Ｖｏｔｉｎｇ集成学习算法进行汽车用户的分类和预测ꎮ在Ｐｙｔｈｏｎ

环境中ꎬ构建一个基学习器为支持向量机、决策树、Ｋ－近邻的基于Ｖｏｔｉｎｇ的集成学习算法模型ꎬ使用经过预

处理的训练数据训练、分类和预测该模型ꎮ将所建立的基于Ｖｏｔｉｎｇ集成学习算法应用到实际中ꎬ与ＳＶＭ、决

策树、Ｋ－近邻等基学习器算法进行比较ꎬ从准确率、召回率、Ｆ－ｓｃｏｒｅ、混淆矩阵等指标进行对比分析ꎮ实验

表明ꎬ基于Ｖｏｔｉｎｇ集成学习算法具有较好的预测效果ꎮ

关键词汽车用户画像ꎻ决策树ꎻ支持向量机ꎻ投票方式ꎻ集成学习

中图分类号Ｕ２３１.７文献标志码Ａ文章编号２０９７－４６２０(２０２４)０２－００３７－０４

汽车行业正日益受到数字化和智能化的影响ꎬ提升归因于模型间的互补性和集成学习的稳健

大量的用户数据积累ꎬ为汽车制造商提供了深入了[３]

性ꎮ贾志强、李涛、乐金祥等人运用ｓｔａｃｋｉｎｇ策略

解客户需求、行为和偏好的机会ꎮ本研究采用了多构建一种融合学习模型ꎬ以ＸＧＢｏｏｓｔ、随机森林、梯度

模型预测分类方法ꎬ旨在提高预测的准确性和稳定提升决策树为主要学习工具ꎬ并以ｌｏｇｉｓｔｉｃ回归为元

[１]

性ꎮ通过结合不同的预测模型ꎬ更全面考虑潜在学习工具实现对用户使用行为的预测ꎮ实验表明ꎬ

客户多方面特征ꎬ从而有效应对数据的复杂性和多本研究提出的特征工程方法能有效提高多种模型的

样性ꎮ李铂初、阎红灿等提出了一种基于卷积神经精确率ꎬ并且与单个模型相比具有更好的预测

网络、ＬＳＴＭ神经网络与ＸＧＢｏｏｓｔ算法集成的检测模[４]

性能ꎮ

型ꎬ包括数据预处理、长短期神经网络模型训练、数本研究通过深入剖析用户数据ꎬ揭示不同用户

据降维、采样后ＸＧＢｏｏｓｔ模型训练四个部分ꎬ通过对群体的特征和行为模式ꎬ并运用多模型预测分类技

ＵＮＳＷ－ＮＢ１５数据集进行实验分析ꎬ发现其准确率术为汽车企业构建更精准的用户预测模型ꎬ期望为

和分类平均ｆ１－ｓｃｏｒｅ均高于基准算法ꎬ特别少数类汽车行业提供实质性的市场洞察和决策支持ꎬ推动

样本的分类准确率比基准机器学习算法与神经网络整个行业向更智能、更个性化方向迈进ꎮ

[２]

模型有较大提升ꎮ徐天培、罗永胜等采用硬投票１数据准备

策略ꎬ将决策树、逻辑回归和朴素贝叶斯分类器三种１.１数据描述

不同的机器学习模型集成在一起ꎬ形成一个强大的将一家汽车公司的客户数据整理为客户信息

集成模型ꎬ实现了高达９９％的准确性ꎬ相较于单一模表ꎬ记录８０８６位客户的基本信息ꎬ每条客户信息包

型至少提高了３.２２％的准确性ꎮ这种显著的准确性括客户ＩＤ、性别、年龄和婚姻状况等１１个特征ꎬ说明

收稿日期:２０２４￣０２￣０５

作者简介:梁靖涵(１９９２—)ꎬ女ꎬ河南商丘人ꎬ郑州科技学院讲师ꎬ研究方向为数据挖掘ꎮ